基于條件隨機(jī)場(chǎng)的中醫(yī)病歷命名實(shí)體抽取方法研究.pdf

1、臨床診療實(shí)踐是中醫(yī)學(xué)理論研究和診療技術(shù)創(chuàng)新的源泉。隨著近10年醫(yī)療信息化建設(shè)的進(jìn)展和臨床數(shù)據(jù)的不斷積累，作為診療實(shí)踐主要信息載體的中醫(yī)臨床病歷成為中醫(yī)學(xué)和信息學(xué)關(guān)注的重要研究資源。名老中醫(yī)文本病歷是中醫(yī)臨床診療的重要數(shù)據(jù)資源，它具有非結(jié)構(gòu)化、口語(yǔ)化、專(zhuān)業(yè)化等特點(diǎn)，對(duì)其數(shù)據(jù)深度利用的重要前提是對(duì)相關(guān)醫(yī)學(xué)命名實(shí)體術(shù)語(yǔ)的抽取，而命名實(shí)體抽取方法正是從自由文本中抽取所需命名實(shí)體術(shù)語(yǔ)的基礎(chǔ)技術(shù)。但由于中文自然語(yǔ)言表達(dá)的靈活性和中醫(yī)臨床信息內(nèi)容的個(gè)

2、體性特點(diǎn)，進(jìn)行中醫(yī)臨床文本病歷的信息抽取研究是一個(gè)難點(diǎn)問(wèn)題。因此，進(jìn)行中醫(yī)文本病歷的命名實(shí)體抽取研究，探索形成相關(guān)的適宜信息抽取方法具有重要價(jià)值。
　　本文首先介紹信息抽取的研究現(xiàn)狀和相關(guān)算法，分析中醫(yī)臨床病歷的數(shù)據(jù)特點(diǎn)以及對(duì)中醫(yī)病歷進(jìn)行命名實(shí)體抽取面臨的困難。在此基礎(chǔ)上，進(jìn)行語(yǔ)料庫(kù)標(biāo)注系統(tǒng)的設(shè)計(jì)和開(kāi)發(fā)，該語(yǔ)料庫(kù)標(biāo)注系統(tǒng)可通過(guò)Bubble-Bootstrapping算法、前向最大匹配算法和手工標(biāo)注相結(jié)合的方式對(duì)病歷進(jìn)行命名實(shí)體抽取

3、，并可對(duì)語(yǔ)料進(jìn)行多粒度存儲(chǔ)和多格式導(dǎo)出。結(jié)合語(yǔ)料庫(kù)標(biāo)注系統(tǒng)和專(zhuān)家審核的方式對(duì)病歷進(jìn)行標(biāo)注，本文共形成由413份標(biāo)注文本病歷數(shù)據(jù)集，該數(shù)據(jù)集主要包含冠心病(233份)和糖尿病(180份)兩個(gè)子集。
　　其次，鑒于癥狀/體征、誘因和疾病名稱(chēng)是中醫(yī)臨床病歷中的重要命名實(shí)體，本文通過(guò)對(duì)中醫(yī)臨床病歷中的主要構(gòu)成內(nèi)容:主訴和現(xiàn)病史的語(yǔ)句特點(diǎn)和語(yǔ)法模式分析，提煉形成了六種與命名實(shí)體抽取相關(guān)的特征。在此基礎(chǔ)上，構(gòu)建出四類(lèi)面向命名實(shí)體抽取的特征模板

4、?；谠撎卣髂０寮瘧?yīng)用條件隨機(jī)場(chǎng)(CRF)進(jìn)行了中醫(yī)臨床病歷的命名實(shí)體抽取方法研究。通過(guò)十重交叉檢驗(yàn)測(cè)試，實(shí)驗(yàn)結(jié)果表明結(jié)合特征模板MT3，CRF命名實(shí)體抽取表現(xiàn)最好(F1)（糖尿病:癥狀0.80，疾病名稱(chēng)0.74，誘因0.63;冠心病:癥狀0.77，疾病名稱(chēng)0.64，誘因0.74)。同時(shí)比較了CRF與隱馬爾科夫模型(HMM)和最大熵馬爾科夫模型(MEMM)的命名實(shí)體抽取效果。實(shí)驗(yàn)結(jié)果顯示，相較HMM和MEMM， CRF有最高的準(zhǔn)確率和召